DIPGEOPR_03

class: inverse,left, middle
background-image: url(data:image/png;base64,#background.png)
background-size: cover

##Módulo 3: Percepción remota, análisis masivo y Google Earth Engine

### Índices Espectrales

Javiera Aguayo T. 
javiera.aguayo@pucv.cl

.large[<a href="https://www.pucv.cl/uuaa/site/edic/base/port/labgrs.html">LabGRS</a> | Noviembre 2023]

---
class: center,middle
background-image: url(data:image/png;base64,#labgrs_logo.png)
background-size: 35%

---

##Contenidos

.pull-left[

1) ¿Qué son los índices espectrales?

2) Clasificación de índices espectrales

3) Índices espectrales

]

.pull-right[
<right><img src="data:image/png;base64,#https://ucsbcarpentry.github.io/CustomDC-R/fig/r_rollercoaster.png" width="500px"/></right>
]
---
##¿Qué son los índices espectrales?
Los **índices** son operaciones matemáticas aplicadas a las bandas espectrales, que permiten discriminar con mayor claridad algunos elementos presentes en una imagen.

Al ser **índices espectrales**, es muy importante conocer la firma espectral (o signatura espectral) del objeto que se quiere estudiar para entender la lógica detrás del índice aplicado. Por lo general, los índices espectrales se basan en las regiones de mayor y menor absorción, o de mayor y menor reflexión.

<center><img src="data:image/png;base64,#img_01.png" width="800px"/></center>
---
##Clasificación de índices espectrales

Los índices espectrales corresponden a una de las formas más sencillas de obtener información cuantitativa a partir de una imagen satelital. Entre los dos grandes grupos de índices, están los de diferencia normalizada y los no normalizados.

**Diferencia normalizada**: Se basan en la resta de dos bandas (espectros) que son opuestos en términos de reflectancia. Es decir, resta la banda espectral donde el objeto estudiado tiene mayor % de reflectancia, con la que tiene menor reflectancia. Luego divide este valor por la suma de ambas bandas. Este cociente u operación de bandas, permite tener como resultado valores de un índice que van desde el -1 hasta el +1, donde los valores positivos más altos evidencian zonas donde el objeto que estamos estudiando se concentra con mayor abundancia.

**No normalizados**: Éstos a diferencia de los normalizados, no tienen un rango definido pueden alcanzar o superar el valor ±1 y la interpretación de los resultados va a depender de la operación que se realice, por lo que tanto los valores positivos o negativos pueden representar el objeto que se está estudiando. En este tipo de índices, no necesariamente se trabaja con solamente un par de bandas espectrales.

---
## Tipos de Indices Espectrales 
#### Comportamiento espectral de la vegetación

El comportamiento espectral de la vegetación , se basa en el estudio y estimación de la vegetación fotsintéticamente activa, la cual **se caracteriza por presentar un claro contraste entre las regiones del espectro visible y el infrarrojo cercano.**

.pull-left[
La absorción en la región del espectro visible se debe a la estructura interna de las hojas, la cual consideran la composición, la concentración y la distribución de los pigmentos, un de los pigmento más importante en términos espectrales es la clorofila, ya que responde a dos bandas de absorción, la primera es el azul y la segunda la roja. Pero entre estas dos bandas hay un primer pequeño peak de reflectancia a los 550 nm, en la banda verde, que es donde ocurre el proceso de fotosíntesis, y lo que hace que nuestros ojos identifiquen la vegetación en diferentes tonalidades de verdes.
]

.pull-right[
<center><img src="data:image/png;base64,#comportamiento_vegetacion.png" width="400px"/></center>
]

---
#### Comportamiento espectral de la vegetación
.pull-left[
En la región del infrarrojo cercano, entre los 800 y 1100 nm, hay un gran peak de reflectancia, debido particularmente a la estructura celular interna de la planta, en donde energía rebota por todas las cabidades de la planta, para que así se dispesrse y la energía dentro de este rango del espectro no sea absorbida por la planta.

Y por último, se destaca dos zonas de absorción dentro de la región del infrarrojo de onda corta (SWIR), que es un indicador del contido de agua entre y dentro de las células, mientras mayor sea la absorción en cualquiera de los dos valles del espectro, la vegetación se encontrará en condiciones normales de hidratación y por el contrario si estos valles son menos marcados o con menor absorción, este será un indicador del estrás hídrico de la planta. 
]

.pull-right[
<center><img src="data:image/png;base64,#firma_espectral_vegetacion.png" width="500px"/></center>
]

---
#### Índices espectrales de vegetación

---
#### Índices espectrales de vegetación

<center><img src="data:image/png;base64,#saturacion_indices_vegetacion.png" width="850px"/></center>
---
### Apertura de datos

```r
lc_08 <- list.files(
 path = "~/DIPGEOPR/Diplomado/MOD_03_Indices_espectrales",
 pattern = glob2rx("*T1_SR_B*.TIF"), full.names = T
) %>% rast()

names(lc_08)<-c("B1", "B2", "B3", "B4", "B5", "B6", "B7")
```

---

#### Índices espectrales de vegetación

```r
# Cálculo Normalized Difference Vegetation Index
NDVI <- (lc_08$B5 - lc_08$B4) / (lc_08$B5 + lc_08$B4)
plot(NDVI, range = c(-1,1), col = (RColorBrewer::brewer.pal(11,"RdYlGn")))
```

---
## Tipos de Indices Espectrales 
#### Comportamiento espectral del agua

.pull-left[
La reflectividad que presenta el agua es bastante baja pero ocurre principalmente en la región del espectro visible, y con una tendencia descendente a medida que aumenta la longitud de onda, desde el azul al rojo.

Se ve afectada por factores como el contenido de Clorofila, materiales en suspensión, rugosidad superficial y la profundidad (Manzano, 2004).
]

.pull-right[
<center><img src="data:image/png;base64,#fima_espectral_gua.png" width="750px"/></center>
Ilustración: Mascarenhas & Keck, 2018.
]

---
#### Comportamiento espectral del agua
<center><img src="data:image/png;base64,#colores_agua.png" width="850px"/></center>

---
#### Índices espectrales de agua

---

#### Índices espectrales de agua

```r
# Cálculo Normalized Difference water Index of McFeeters
NDWI_MF <- (lc_08$B3 - lc_08$B5) / (lc_08$B3 + lc_08$B5)
```

```r
plot(NDWI_MF, range = c(-1,1), col = (RColorBrewer::brewer.pal(9,"Blues")))
```

---
## Tipos de Indices Espectrales 
#### Comportamiento espectral de la nieve
.pull-left[
En el caso de la nieve tiene un gran peak de reflectancia en la región del espectro visible, que disminuye abruptamente hacia el infrarrojo cercano.

Por lo general los factores que afectan la firma espectral de la nieve pueden ser el grado de compactación de la nieve, el tamaño de los cristales y el grado de pureza(Pérez & Muñoz, 2006).
]

.pull-right[
<center><img src="data:image/png;base64,#firma_espectral_nieve.png" width="800px"/></center>
]

---
#### Índices espectrales de nieve

<center><img src="data:image/png;base64,#ejemplo_indice_nieve.png" width="700px"/></center>
<center><img src="data:image/png;base64,#indices_nieve.png" width="600px"/></center>
---

#### Índices espectrales de nieve

```r
# Cálculo Normalized Difference snow Index 1
NDSI_01 <- (lc_08$B2 - lc_08$B6) / (lc_08$B2 + lc_08$B6)
plot(NDSI_01, range = c(-1,1), col = (RColorBrewer::brewer.pal(9,"YlGnBu")))
```

<img src="data:image/png;base64,#DIPGEOPR_03_5_files/figure-html/unnamed-chunk-7-1.png" width="100%" />
---

#### Otros índices espectrales:

_Normalized difference built-up index (NDBI)_

---
####  Normalized difference built-up index

```r
NDBI <- (lc_08$B6-lc_08$B5) / (lc_08$B6+lc_08$B5)
plot(NDBI, range = c(-1,1), col = rainbow(100))
```

<img src="data:image/png;base64,#DIPGEOPR_03_5_files/figure-html/unnamed-chunk-8-1.png" width="100%" />
---
#### Otros índices espectrales:

_Normalized burn ratio (NBR)_

<center><img src="data:image/png;base64,#ejemplo_indice_nbr.png" width="500px"/></center>
<center><img src="data:image/png;base64,#indices_NBR.png" width="600px"/></center>
---
#### Indice de Área Quemada

```r
NBR <- (lc_08$B5-lc_08$B6) / (lc_08$B5+lc_08$B6)
plot(NBR, range = c(-1,1), col = (RColorBrewer::brewer.pal(9,"RdYlGn")))
```

<img src="data:image/png;base64,#DIPGEOPR_03_5_files/figure-html/unnamed-chunk-9-1.png" width="100%" />
---

## Bibliografía

2010. Emilio Chuvieco Teledeteccion Ambiental. La Observacion de la Tierra Desde el Espacio.

2010. Hamlyn G. Jones and Robin A. Vaughan. Remote sensing of vegetation. Item 7- Use of spectral information for sensing vegetation properties and for image classification. Editorial Oxford. ISBN 978-0-19-920779-4.

2013. R.O. Chávez, J.G.P.W. Clevers, M. Herold, M. Ortiz, E. Acevedo,
Modelling the spectral response of the desert tree Prosopis tamarugo to water stress, International Journal of Applied Earth Observation and Geoinformation, Volume 21. https://doi.org/10.1016/j.jag.2012.08.013.

2006. Jia, Xiuping. Remote Sensing Digital Image Analysis: An Introduction. 10.1007/3-540-29711-1.

2016. Thenkabail, P.S. Remote Sensing Handbook Vol. 1: Remotely sensed data characterization, classification, and accuracies. Taylor & Francis Group.

2016. Wegmann M., Leutner B., Dech S. Remote Sensing and GIS for Ecologists Using Open Source Software. Ed. Pelagic. Teledeteccion Ambiental. La Observacion de la Tierra Desde el Espacio.

---
class: inverse middle
![logo](data:image/png;base64,#LABGRS-PUCV.png)